用于异步认知物联网的时间结构干扰消除方法

1.本发明属于物联网技术领域，具体涉及一种用于异步认知物联网的时间结构干扰消除方法。


背景技术：

2.随着物联网(iot)技术逐渐渗透到现代社会，数万亿个iot设备被广泛部署到社会的各个角落，这些海量的物联网在传输信号的过程中，产生了对于无线通信服务爆炸性增长的需求，这加剧了目前稀缺和昂贵的无线频谱资源紧缺的局面。如何满足如此众多物联网设备的通信需求，成为了物联网技术发展面临的巨大挑战(“r.tandra,m.mishra,and a.sahai,“what is a spectrum hole and what does it take to recognize one？”proc.ieee,vol.97,no.5,pp.824
‑
848,may.2009”)。
3.认知物联网(c
‑
iot)技术通过动态频谱访问为解决频谱分配问题提供了一种思路(“y.liang,k.chen,g.li,and p.m,“cognitive radio networking and communications:an overview,”ieee trans.veh.tech.,vol.60,no.7,pp.3386
‑
3407,sep.2011.”)。在动态频谱接入中，一些频谱被分配给主用户，这些频谱优先供主用户使用；当主用户暂时不使用该频谱时，二级用户可以使用该频段或者二级用户可以在不影响主用户通信的情况下共用频谱资源(“s.haykin,“cognitive radio:brain
‑
empowered wireless communications,”ieee j.sel.areas commun.,vol.23,no.2,pp.201
‑
220,feb.2005”)。考虑一个c
‑
iot系统，系统中的iot设备是二级用户(su)，并且该c
‑
iot设备使用并发频谱访问(csa)模型与主用户(pu)共享使用无线频谱资源。
4.为了恢复su系统传输的信号，“h.mu and j.k.tugnait,“mse
‑
based source and relay precoder design for cognitive multiuser multi
‑
way relay systems,”ieee transactions on signal processing,vol.61,no.7,pp.1770
–
1785,2013”设计了一种中继预编码器，以通过利用中继站来支持次要用户与主系统的同时传输。“k.j.lee,h.sung,and i.lee,“linear precoder designs for cognitive radio multiuser mimo downlink systems,”in proc.ieee int.conf.commun.,pp.1
‑
5,jun.2011”通过利用主系统已知训练信号的周期性来消除干扰。“y.liu,x.kuai,x.yuan,y.
‑
c.liang,and l.zhou,“learning based iterative interference cancellation for cognitive internet of things,”ieee internet of things journal,vol.6,no.4,pp.7213
–
7224,aug.2019”提出了一种基于聚类的迭代接收器，以消除干扰。但是，所有先前的工作都是基于su系统和pu系统已同步的假设。由于两个系统通常是不合作的，因此将c
‑
iot系统与pu系统进行同步可能会很昂贵。因此，有必要在csa模型中研究异步c
‑
iot系统的干扰消除问题。
5.由于物联网设备需要考虑成本控制以及功耗控制，这使得c
‑
iot设备和pu系统在c
‑
iot系统中没有过多的资源进行系统同步，因此也就很难保证c
‑
iot设备和pu系统在符号级别同步。


技术实现要素：

6.本发明针对在上述非同步系统场景下，物联网设备在主系统传输信号的强干扰下，如何高效恢复自身传输信号的问题给出了解决方法。
7.本发明主要采用迭代接收机，利用干扰信号时序结构相关性，非同步认知物联网中su从异步的pu系统干扰下恢复所需信号的问题。针对上述问题，本发明设计了一种融合了机器学习算法的迭代接收机，能够在非合作系统带来强干扰的情况下，依旧能够高效恢复所需用户信号。系统流程框图如图2所示，迭代接收机包含了三个模块，即：线性估计器模块，解调与译码模块，聚类模块。线性估计器模块根据接收信号y以及每一次迭代的输入和分别估计出输出和解调与译码模块基于输入的对x进行估计，得到输出聚类模块根据输入得到输出作为z的估计。
8.本发明采用的技术方案是：
9.用于异步认知物联网的时间结构干扰消除方法，如图1所示，异步认知物联网包括主用户(pu)系统和次级用户(su)系统，pu系统包括pu基站和pu接收端，su系统包括su发射机和su接收端，假设su系统与pu系统使用相同的无线频段，但是两个通信系统之间没有符号同步；令su发射机在时间t的连续基带信号x(t)为：
[0010][0011]
其中，n是符号数，p
x
(
·
)是su发射机使用的脉冲整形函数，t是时间间隔；
[0012]
pu基站发送的基带连续信号s(t)为：
[0013][0014]
其中，s0＝0，s
n
∈c是由主系统的发送机按照星座图映射产生的第n个符号，c表示复数集合，n＝1,2,
…
,n，q表示正整数，p
s
(
·
)是pu基站使用的脉冲整形函数，τ表示由系统非同步引起的su发射机与pu基站到达su接收端时的延迟；
[0015]
假设信道在n个符号的一个数据传输帧内保持不变，su接收端在t时刻接收到的连续信号y(t)为：
[0016]
y(t)＝h(t)*x(t)+g(t)*s(t)+w(t)
[0017]
其中，其中h(t)＝a1δ(t)，g(t)＝a2δ(t)分别是su系统和pu系统对于su接收端的信道冲击响应，a1和a2是对应的信道系数，δ(t)表示冲击响应函数，w(t)是单边功率谱密度为n0的高斯加性白噪声；
[0018]
su接收端在接收到包含了干扰以及噪声的混合信号后，使用匹配滤波器对信号进行处理，随后在一个采样间隔内对于连续信号进行积分，获得第n个时间间隔上的离散信号y
n
为：
[0019][0020]
其特征在于，干扰消除方法包括以下步骤：
[0021]
s1、对离散信号采样后得到：
[0022]
y
n
＝hx
n
+g1s
n
‑1+g2s
n
+w
n
[0023]
其中，
[0024]
定义z
n
＝g1s
n
‑1+g2s
n
，同时令z＝[z1,z2,
…
,z
n
]
t
为su接收端接收到的干扰信号，则可得离散信号：
[0025]
y＝hx+z+w
[0026]
其中，y＝[y1,y2,
…
,y
n
]
t
，x＝[x1,x2,
…
,x
n
]
t
，w＝[w1,w2,
…
,w
n
]
t
是满足复高斯分布cn(0，σ2)的独立同分布的一组向量且
[0027]
s2、通过迭代接收机从接收到的离散信号y中恢复x，所述迭代接收机包括线性估计模块、解调与解码模块和聚类模块，线性估计器模块根据接收信号y以及每一次迭代的输入和分别估计出输出和解调与解码模块基于输入的对x进行估计，得到输出得到输出聚类模块根据输入得到输出作为z的估计，具体为：
[0028]
线性估计模块根据接收机接收到的y和模块输入信号结合x的先验均值与方差获得x的最小线性均方差估计为：
[0029][0030][0031]
同时，线性估计器模块根据接收机接收到的y和模块输入信号结合z的先验均值与方差获得z的最小线性均方差估计：
[0032][0033][0034]
由于对x的估计已经去除了外信息，所以线性估计模块对于x的估计最后输出为：
[0035][0036]
而线性估计模块对于z的估计最后输出在去除外信息后表示为：
[0037][0038]
[0039]
解调与解码模块包括软解调器、交织器、解交织器、软入软出译码器和软调制器，解调与解码模块输入进入软解调器后输出对数似然比(llrs)
[0040][0041][0042]
其中(f
‑1(s
k
))
j
表示f
‑1(s
k
)的第j比特，i，j均为正整数，其中p表示正整数。然后从减去以得到外信息对数似然比，再将该对数似然比经过解交织器后输入软入软出译码器，得到的软入软出译码器输出经过交织器并减去先验信息得到
[0043]
软调制映射对数似然比为符号信息：
[0044][0045]
其中x
i
＝f(b
i
)且
[0046][0047]
最终，解调与解码模块的输出为
[0048][0049]
聚类模块用于对接收信号y中的干扰信号z＝gs进行估计，以便在其他模块中消除干扰信号，从而恢复目标信号x；具体为：使用ap算法对干扰信号进行初步聚类，ap算法输出星座点{m
j
}的估计以及所有样本点分别划分到各个星座点的概率p(z
i
＝m
j
)；
[0050]
根据p(z
i
＝m
j
)计算转移概率：
[0051][0052]
其中，l
k,k'
表示在状态转移的过程中星座点m
k
转移到星座点m
k
‘
的概率，将矩阵l
k
×
k
＝{l
k,k'
}写做一组向量的形式其中l
k
＝[l
k,1
,l
k,2
,
…
,l
k,k
]，k＝2
2q
，其中q表示正整数。使用k
‑
mean算法将{l1,l2,
…
,l
k
}聚类为2
q
组，随后定义向量其中
[0053][0054]
随后选取r
i
中最大的2
q
个元素置为1，其余置零，以更新r
i
：
[0055][0056]
其中λ
i
是第2
q
大的元素，令
[0057]
t
k
＝r
i
,for m
k
∈g
i
[0058]
g
i
代表k
‑
mean算法聚类后得到的第i个组。
[0059]
最后根据来更新转移概率矩阵
[0060]
l＝l
⊙
t
[0061]
使用估计的状态转移矩阵和维特比算法来进一步更新干扰信号的分类结果，获得作为z的估计。
[0062]
本发明的有益效果为，本发明能够高效地恢复在强干扰影响下的目标信号，同时对算法进行了改进，使得系统性能进一步提升。
附图说明
[0063]
图1为本发明系统模型示意图；
[0064]
图2为su系统的收发器结构图；
[0065]
图3为n＝512的qpsk调制干扰的ber与迭代次数关系图；
[0066]
图4为n＝512时的qpsk调制干扰的ber性能图。
具体实施方式
[0067]
下面结合附图对本发明进行详细的描述：
[0068]
本发明针对非同步的认知物联网系统，即su与su的基站在异步的pu发射机产生的强干扰下进行通信。同时，假设su系统与pu系统使用相同的无线频段，同时由于su系统与pu系统缺少合作，因此两个通信系统之间没有符号同步。
[0069]
su发射机的所发送的信号是根据比特交织编码调制(bicm)方法获得的：首先一组su发射机想要传输的数据序列采用了纠错码编码进行处理，获得的比特流再被随机交织器重新排序，令b＝[b1,b2,
…
,b
n
]为经过了编码和交织处理的二进制序列，其中每一个b
i
＝[b
i，1
,b
i，2
,
…
,b
i，p
]∈{0,1}
p
是由b经过分组获得。随后将分组后的b通过函数f:{0,1}
→
x映射到符号序列x
i
＝f(b
i
)上,其中f是调制函数且x
i
∈x，最后得到符号序列x＝[x1,x2,
…
,x
n
]
t
且此时su
‑
tx在时间t的连续基带信号由下式给出
[0070][0071]
其中p
x
(
·
)是su
‑
tx使用的脉冲整形函数，而t是时间间隔。
[0072]
相应的，pu
‑
tx发送的基带连续信号可以写为
[0073][0074]
其中s0＝0，s
n
∈c,n＝1,2,
…
,n是由主系统的发送机按照星座图映射产生的第n个符号，p
s
(
·
)是pu
‑
tx使用的脉冲整形函数，τ表示由系统非同步引起的su
‑
tx与pu
‑
tx到达su
‑
rx时的延迟，τ对于su
‑
rx是未知的。
[0075]
假设信道在n个符号的一个数据传输帧内保持不变。su
‑
rx在t时刻接收到的连续信号由下式给出：
[0076]
y(t)＝h(t)*x(t)+g(t)*s(t)+w(t)
[0077]
其中h(t)＝a1δ(t)，g(t)＝a2δ(t)分别是su系统和pu系统对于su
‑
rx的信道冲击响应，a1和a2是对应的信道系数，w(t)单边功率谱密度为n0高斯加性白噪声。
[0078]
su
‑
rx在接收到包含了干扰以及噪声的混合信号后，使用匹配滤波器对信号进行处理，随后在一个采样间隔内对于连续信号进行积分，以便获得第n个时间间隔上的离散信号：
[0079][0080]
如图2所示，经过采样后获得离散信号可以表示为：
[0081]
y
n
＝hx
n
+g1s
n
‑1+g2s
n
+w
n
[0082]
其中
[0083]
我们定义z
n
＝g1s
n
‑1+g2s
n
，同时令z＝[z1,z2,
…
,z
n
]
t
为su
‑
tx端接收到的干扰信号，那么
[0084]
y＝hx+z+w
[0085]
其中y＝[y1,y2,
…
,y
n
]
t
，x＝[x1,x2,
…
,x
n
]
t
，而w＝[w1,w2,
…
,w
n
]
t
则是满足复高斯分布cn(0，σ2)的独立同分布的一组向量且
[0086]
本发明设计了一个迭代接收机，用于从接收到的离散信号y中恢复x，该接收机包含了三个模块，即：线性估计器模块，解调与解码模块，聚类模块。线性估计器模块根据接收信号y以及每一次迭代的输入和分别估计出输出和解调与解码模块基于输入的对x进行估计，得到输出聚类模块根据输入得到输出作为z的估计。
[0087]
首先来看线性估计模块，根据y＝hx+gs+w，线性估计器模块结合x的先验均值与方差获得x的最小线性均方差估计：
[0088]
[0089][0090]
另一方面，线性估计器模块结合z的先验均值与方差获得z的最小线性均方差估计：
[0091][0092][0093]
由于采用message passing算法时还需要计算外信息。在这里，由于来自解调与解码模块的信息已经是外信息，所以线性估计模块对于x的估计最后输出为
[0094][0095]
然而对于z，仍需要计算外信息作为线性估计模块最终的输出：
[0096][0097][0098]
随后考虑解调与解码模块，该模块包含软解调器，交织器，解交织器，软入软出译码器，软调制器，如图2所示。该模块输入为线性估计模块的输出，进入软解调器后输出对数似然比(llrs)
[0099][0100][0101]
其中(f
‑1(s
k
))
j
表示f
‑1(s
k
)的第j比特，i，j均为正整数，其中p表示正整数。然后从减去以得到外信息对数似然比，再将该对数似然比经过解交织模块后输入软入软出译码器，得到的译码器输出经过交织模块并减去先验信息得到
[0102]
随后软调制映射对数似然比为符号信息：
[0103][0104]
其中x
i
＝f(b
i
)且
[0105][0106]
最终，解调与译码模块的输出为
[0107][0108]
最后介绍聚类模块。聚类模块的目的是估计出接收机接收信号y中的干扰信号z＝gs进行估计，以便在其他模块中消除干扰信号，从而恢复目标信号x。
[0109]
首先使用标准的ap算法”b.j.frey and d.dueck,“clustering by passing messages between data points,”science,vol.315,no.5814,pp.972
–
976,feb.2007对干扰信号进行初步聚类，ap算法输出星座点{m
j
}的估计以及所有样本点分别划分到各个星座点的概率p(z
i
＝m
j
)。
[0110]
随后根据p(z
i
＝m
j
)计算转移概率：
[0111][0112]
其中l
k,k'
表示在状态转移的过程中星座点m
k
转移到星座点m
k
‘
的概率，并且将矩阵l
k
×
k
＝{l
k,k'
}写做一组向量的形式其中l
k
＝[l
k,1
,l
k,2
,
…
,l
k,k
]，k＝2
2q
，其中q表示正整数。使用k
‑
mean算法“t.hastie,r.tibshirani and j.friedman,the elements of statistical learning.springer,second edition,stanford,california,aug.2008.”将{l1,l2,
…
,l
k
}聚类为2
q
组，随后定义向量其中：
[0113][0114]
随后选取r
i
中最大的2
q
个元素置为1，其余置零，以更新r
i
：
[0115][0116]
其中λ
i
是第2
q
大的元素，令
[0117]
t
k
＝r
i
,for m
k
∈g
i
.
[0118]
g
i
代表k
‑
mean算法聚类后得到的第i个组。
[0119]
最后根据来更新转移概率矩阵
[0120]
l＝l
⊙
t.
[0121]
随后，使用估计的状态转移矩阵和维特比算法“a.viterbi,“a personal history of the viterbi algorithm,”ieee signal processing magazine,vol.23,no.4,pp.120
–
142,2006”来进一步更新干扰信号的分类结果，以便获得作为z的估计。
[0122]
下面通过仿真对本发明的方法进行验证。
[0123]
在仿真中，选取了码长512，码率为列重为3的ldpc码作为信道编码，使用“i.kozintsev,matlab programs for encoding and decoding of ldpccodes over gf(2m),[online].available:http://www.kozintsev.net/soft.html”中公开可得的代码。调制方式上选取格雷映射的qpsk调制。定义信噪比信干比设置h＝1，h＝1，其中θ1，θ2独立且随机选择自[0,2π)，a1，a2是为了匹配sir所选择正数。每一条曲线都是经过1000次随机试验获得，用比特错误率来衡量系统性能。
[0124]
图3展示了当n＝512，snr＝3db，sir＝
‑
17db时，系统ber性能随迭代次数的变化情况。由于k
‑
means和gmm
‑
em算法的聚类能力较差，因此无法很好地工作，随着迭代次数增多，误码率并未降低。基于ap的聚类算法性能较好，随着迭代增多误码率逐步降低，而hmm
‑
ap算法具有比ap更快的收敛速度，并且性能比ap更好。
[0125]
随后考虑当sir∈[
‑
18，
‑
14]和snr∈[0，4]且n＝512时，系统性能ber关于sir和snr的函数。图4显示，此时k均值算法和em
‑
gmm算法不能很好地工作，基于ap的算法仍然可以工作但效果并不理想，而本发明提出的利用了干扰信号的时序结构信息的hmm
‑
ap算法在性能上则显著优于原始的ap算法。